一款让玩家驱赶虚拟牛的电子游戏增强了我们对人类在运动和导航决策方面理解。这一见解可以改善我们与人工智能的互动，甚至提升未来机器人运动的方式。
一款让参与者驱赶虚拟牛的电子游戏进一步加深了我们对人类如何在运动和导航中做出决策的理解，这不仅可以帮助我们更有效地与人工智能互动，还可能改善未来机器人运动的方式。
来自澳大利亚麦考瑞大学、意大利南方高级研究学校、那不勒斯费德里科二世大学、博洛尼亚大学以及英国伦敦大学学院的研究人员利用这款电子游戏进行研究，探讨动态感知运动原型（DPMPs）如何复制人类的决策过程。
DPMPs是有助于理解我们如何根据周围环境中的各种刺激协调运动的数学构造。它们在阐明我们如何导航和完成不同任务方面被证明是有用的。
这在复杂环境中尤其重要，这些环境有其他个体和静止或移动的物体，如繁忙的人行道或运动场。
之前人们认为我们的脑海中建立了周围环境的广泛地图，然后制定出详细的运动计划。然而，最近的研究表明，我们的运动不是遵循严格的计划，而是直观的进行，考虑我们的目标并在遇到障碍时调整导航。
该研究的最新成果发表于皇家学会开放科学最新一期，参与者需要进行两项驱赶活动，将一头奶牛或一群奶牛移动到一个牛栏中。
研究人员监测了玩家引导奶牛的顺序，并在他们的DPMP模型中使用这些数据，以验证是否能够复制人类玩家的行为。
首席作者和博士候选人阿曼·宾·卡姆鲁丁指出，DPMP模型成功反映了玩家的移动方式，并预测了他们的决策。
理查德森教授提到：“在多目标任务中，参与者选择目标的方式出现了三种模式：他们倾向于首先选择与他们距离最近的奶牛，其后每选择一头奶牛都会选择离上一个选择最近的，若面临选择两头奶牛的情况，他们通常会选择离牛栏中心最远的那头。”
“在将这三条决策规则纳入DPMP后，它可以准确预测近80%关于接下来驱赶哪头奶牛的选择，并且还预测了参与者在面对多头奶牛的新场景时的行为。”
驱赶游戏因其与现实生活中个人必须控制其他代理者的情境相似而在此类研究中常被使用。
之前进行的研究利用了动物的俯视图，令人担忧的是，这种视角可能会扭曲参与者的决策，因为他们在现实情况下可能无法获得如此全面的概览，从而表现不同。
为了解决这一问题，研究团队创建了一款新的驱赶游戏，限制玩家的视野范围仅限于通常从第一人称视角能够看到的内容，类似许多角色扮演视频游戏。
来自麦考瑞大学表现与专业研究中心的高级作者理查德森教授表示，这种视角的转变具有重要意义。
“虽然早期的研究已经显示DPMPs可以预测人群动态或跟踪移动物体，但我们的研究独特之处在于考察模型是否可以应用于一个人如何指导一个虚拟角色或机器人，”他解释道。
“这朝着开发更具响应性和智能的系统迈出了重要一步。”
“我们的发现强调了在DPMP模型中融入智能决策策略的必要性，以增强机器人和人工智能对人类运动、行为和互动的模拟。”
“它们还暗示DPMPs在现实应用中可能是有价值的，例如人群管理、撤离计划、消防员的虚拟现实训练，甚至搜索和救援行动，因为它们可以帮助预测人类反应和运动模式。”
